LCDet：Low-Complexity Fully-Convolutional Neural Networks for Object Detectionin Embedded Systems

全文概括

  本文的基本网络框架是YOLO，但用两层 conv 代替 两层 fc 。然后用 8-bit 量化了训练好的网络权重。

---

Introduction

   8-bit 量化回归任务，会比量化分类任务更容易造成精度下降。
  经过试验显示，本文方法（量化后）的最高检测率比量化前的只低不到 $12\%$，但在帧率上达到了 $20$x 倍的提升。

  YOLO使用的基础框架是 GoogleNet，即使将框架系统变成 AlexNet，其在嵌入设备上最多也只能每秒跑$5$帧。

---

Methods

Network Architecture

   和YOLO相比，YOLO在除了最后一层，激活函数都选择 LeakyReLU ，而本文选择 ReLU。YOLO在最后一层不使用激活函数，而本文对不同的任务选择不同激活函数，分类（softmax），置信度（sigmoid），定位（不使用激活函数）。

  训练过程和YOLO一样，损失函数也一直，除了 ${\lambda }_{noobj}=1$，而YOLO的该参数为$0.5$。

Quantized Network

作者认为量化回归任务比分类任务难的原因：
   The justification for the high accuracy in low-precision modes comes from the fact that the final activation is a probability i.e. in [0,1] intervals, can be represented with an unsigned number without any concern on scaling.